TRk-CNN：用于青光眼、疑似青光眼与正常眼图像分类的可迁移排序卷积神经网络
计算机视觉与模式识别
2019-05-17 v1
摘要
本文提出可迁移排序卷积神经网络(TRk-CNN)，可在待分类图像类别间呈现高度相关性时有效应用。通常使用的基于 softmax 函数的多类分类方法在此情形下效果不佳，因其忽略了类间关系。虽有考虑有序类别的排序卷积神经网络(Ranking-CNN)，但无法将类间关系反映至最终预测。相比之下，TRk-CNN 组合基础分类模型的权重，将类间信息反映到最终分类阶段。我们在标记为正常、疑似青光眼与青光眼三类眼的青光眼图像数据集上评估了 TRk-CNN。据我们所调研的文献，本研究首次将青光眼眼底图像数据集的三种状态分为三个不同类别。我们以 DenseNet 作为骨干 CNN 模型，将 TRk-CNN 与排序卷积神经网络(Rk-CNN)及多类 CNN(MC-CNN)的评估结果进行比较。结果显示，TRk-CNN 平均准确率达 92.96%、特异性 93.33%、疑似青光眼敏感性 95.12%、青光眼敏感性 93.98%。基于平均准确率，TRk-CNN 比 Rk-CNN 与 MC-CNN 分别高 8.04% 与 9.54%，且对疑似类的敏感性惊人地比多类 CNN 高 26.83%。我们的 TRk-CNN 有望有效应用于疾病状态连续且沿正类方向递增的医学图像分类问题。
引用
@article{arxiv.1905.06509,
title = {TRk-CNN: Transferable Ranking-CNN for image classification of glaucoma, glaucoma suspect, and normal eyes},
author = {Tae Joon Jun and Youngsub Eom and Dohyeun Kim and Cherry Kim and Ji-Hye Park and Hoang Minh Nguyen and Daeyoung Kim},
journal= {arXiv preprint arXiv:1905.06509},
year = {2019}
}
备注
49 pages, 12 figures